TRNet 提出一种利用地形先验进行高分辨率水稻映射的多模态分割方法。该方法结合 0.5 米高景一号 RGB 影像与 5 米 TanDEM X 数字高程模型，通过地形条件低频调制和不对称高频调节抑制陡坡杂波，并利用地形引导的解码器整合语义与结构信息。在 Area A 和 Area B 测试集上，该方法将水稻 IoU 分别提升至 85.10% 和 80.68%，较原始双编码器 U-Net 提升 9.15 和 18.83 个百分点。实验涵盖内部测试集、地理独立区域及跨年度季节性分析，验证了地形作为稳定上下文先验的有效性，显著降低了陡坡误报和低坡漏检。
TRNet 提出一种利用地形先验进行高分辨率水稻映射的多模态分割方法，在 Area A 和 Area B 测试集上分别将水稻 IoU 提升至 85.10% 和 80.68%，较原始双编码器 U-Net 提升 9.15 和 18.83 个百分点。该方法结合 0.5 米高景一号 RGB 影像与 5 米 TanDEM X 数字高程模型，通过地形条件低频调制和不对称高频调节抑制陡坡杂波，并利用地形引导的解码器整合语义与结构信息以优化预测。实验涵盖内部测试集、地理独立区域及跨年度季节性分析，验证了地形作为稳定上下文先验的有效性，显著降低了陡坡误报和低坡漏检。